Resource optimization of software development teams working with kanban

Kanban, evrimsel yaklaşımı, proje yönetimindeki etkinliği ve geniş uygulama alanları nedeniyle yazılım geliştirme takımları tarafından yaygın olarak kullanılan bir çevik ve yalın çalışma yöntemi olmuştur. Bu tez, Kanban kullanan yazılım geliştirme takımlarının optimizasyonunu bütünsel bir yaklaşımla incelemektedir. Çalışma alanının karmaşıklığı, çok sayıda çalışma istasyonunu, farklı beceri setlerine sahip kaynakları, iş türlerini, tıkanma senaryolarını ve işlemdeki sınırlamaları içermesi nedeniyle veri toplamak amacıyla simülasyonlar yapılmaktadır. Çalışma, iki seviyede problemi ele alan bir çözüm çerçevesi ve potansiyel yönleri daha derinlemesine araştırmak için modern teknikler kullanılan ek bir keşifsel çok amaçlı optimizasyon bölümü önermektedir. Çözüm çerçevesinin ilk seviyesi, üretim süreçlerinde kullanılan makine arızası metodundan farklı olarak, iş öğelerine uygulanan bir blok senaryosu tanıtan yenilikçi ve kapsamlı bir simülasyon algoritması ile başlar. Simülasyon modeli, gerçek bir şirketten alınan girdi parametrelerini kullanır, kaynaklar ve WIP sınırlamaları gibi diğer girdi parametrelerini ekler ve çıktı, teslim süresi, blok süresi, kaynakların verimliliği gibi verileri toplar. Bu simülasyon modülü, üç metodun karşılaştırılması ve farklı koşullar altında en iyi performansı göstereni bulmak için bir açgözlü sezgisel, iki aşamalı model ve bir karar ağacı temizleme fonksiyonuna entegre edilir. Çözüm çerçevesinin ikinci seviyesi, simülasyon modelini kaynak yetenekleri ve iş türü öncelikleri ekleyerek genişletir ve on milyonlarca potansiyel kombinasyonla sonuçlanır. Tüm olası kombinasyonları üretmenin pratik olmaması nedeniyle, en iyi potansiyel özellik setini bulmak için üç makine öğrenimi algoritması -rastgele orman, XGBoost ve yapay sinir ağları- kullanılmaktadır. Son olarak, çok amaçlı optimizasyon modelleri aracılığıyla teslim süresi, çıktı ve maliyet göz önünde bulundurularak bütünsel bir yaklaşım benimsenir. Sayısal analiz, güçlü üç evrimsel algoritma aracılığıyla kaynakların ve işlemdeki ilerlemenin sınırlarının etkilerini ortaya koyar; bunlar, güç Pareto evrimsel algoritması-II (SPEA-II), Pareto arşivli evrim stratejisi (PAES) ve baskın olmayan sıralama genetik algoritması-II (NSGA-II)'dir. İş önceliklerinin uygulanması ve bu seçimlerin etkileri, maliyet, teslim süresi ve çıktı arasındaki dengelemeleri yönlendirme konusunda gösterilmektedir. Bu tez, hem akademik bilgiye hem de pratik uygulamalara önemli katkılar sağlayarak, bir Kanban yazılım geliştirme takımının çıktısını ve teslim süresini optimize etme, kaynakların, işlemdeki ilerlemenin sınırlamalarının ve önceliklerin etkilerini ortaya koyma ve bu hedefe ulaşmak için son teknoloji pratik çözümler sunma konusunda öncü içgörüler sunmaktadır.